CN118470989B - 一种信号交叉口混合车队协同生态驾驶控制方法及系统 - Google Patents
一种信号交叉口混合车队协同生态驾驶控制方法及系统 Download PDFInfo
- Publication number
- CN118470989B CN118470989B CN202410377085.9A CN202410377085A CN118470989B CN 118470989 B CN118470989 B CN 118470989B CN 202410377085 A CN202410377085 A CN 202410377085A CN 118470989 B CN118470989 B CN 118470989B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- time
- intersection
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 abstract description 42
- 238000005457 optimization Methods 0.000 abstract description 30
- 238000000034 method Methods 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 description 23
- 230000001133 acceleration Effects 0.000 description 12
- 230000001413 cellular effect Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种信号交叉口混合车队协同生态驾驶控制方法及系统，涉及生态驾驶技术领域，包括获取信号交叉口识别区域的车辆信息，包括时刻、速度、能耗类型和控制类型，并将其发送至到达时刻模块进行预测处理，以得到车辆到达交叉口的预测信息。基于预测信息，进行车辆队列划分，得到队列信息，然后发送至轨迹优化模块进行轨迹优化，生成车辆的控制信息。最终，根据控制信息对所有车辆进行控制，直至所有车辆通过交叉口。该方法充分考虑了车辆的动态特性和能源消耗，可提高交通通行效率、降低能源消耗、提升交通安全性，为城市交通管理带来创新解决方案。
Description
技术领域
本发明涉及生态驾驶技术领域，具体而言，涉及信号交叉口混合车队协同生态驾驶控制方法及系统。
背景技术
城市道路交叉口是多条道路交汇的节点，不同方向的车流争夺此地的时空资源，是产生交通冲突和拥堵的重要节点。自动驾驶车辆的网联性和可控性为信号交叉口生态驾驶控制带来更多可能。伴随自动驾驶技术的发展，车辆的电动化是另外一个重要的发展趋势。由于电动汽车采用更简单的机械结构，并可直接使用高容量电池组作为车辆电气系统的能源，已经成为智能汽车制造商的首选载体。
考虑自动驾驶车和电动汽车的更新换代过程，未来将长期存在混合车队的局面。其包含自动驾驶车和人工驾驶车的混合、燃油车和电动车的混合，由于电动车和燃油车具有不同的能耗函数，特别是电动车特有的制动能量回收特点，使得电动车与燃油车的最优速度曲线不同。然而，当前信号交叉口的生态驾驶控制方法，主要集中在完全智能网联或同质能耗函数假设的基础上，未关注混合车队在智能水平和能耗类型的差异。常见的最优控制建模方式难以解决虑异质能耗函数和人工驾驶车跟驰模带来的复杂非线性成分，导致问题求解的计算效率较低。
因此现需要一种信号交叉口混合车队协同生态驾驶控制方法，用于改善整个混合交通流的运行性能，将复杂非线性成分的轨迹优化问题转化为时空速度网络中弧的选择，提高能耗计算效率。
发明内容
本发明的目的在于提供一种信号交叉口混合车队协同生态驾驶控制方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种信号交叉口混合车队协同生态驾驶控制方法，包括：
获取信号交叉口识别区域的车辆信息，所述车辆信息包括车辆进入识别区域的时刻信息、速度信息、车辆能耗类型信息和车辆控制类型信息；
将所述车辆信息发送至到达时刻模块进行预测处理，其中到达时刻模块是对所有的车辆到达交叉口的时刻进行预测的模块，得到车辆到达交叉口的时刻预测信息；
基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息；
将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，得到车辆的控制信息；
基于所述车辆的控制信息对所有车辆进行控制，直至所有车辆经过信号交叉口。
第二方面，本申请还提供了一种信号交叉口混合车队协同生态驾驶控制系统，包括：
获取单元，用于获取信号交叉口识别区域的车辆信息，所述车辆信息包括车辆进入识别区域的时刻信息、速度信息、车辆能耗类型信息和车辆控制类型信息；
预测单元，用于将所述车辆信息发送至到达时刻模块进行预测处理，其中到达时刻模块是对所有的车辆到达交叉口的时刻进行预测的模块，得到车辆到达交叉口的时刻预测信息；
划分单元，用于基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息；
优化单元，用于将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，得到车辆的控制信息；
控制单元，用于基于所述车辆的控制信息对所有车辆进行控制，直至所有车辆经过信号交叉口。
本发明的有益效果为：
本发明不仅考虑自动驾驶车辆本身的能耗，而且将其后续跟驰车辆的能耗也作为目标函数的一部分，通过自动驾驶车间接“控制”人工车，以改善整个混合交通流的运行性能。将时空速度网络与元胞自动机模型相结合，构建混合时空速度网络模型。该模型能够解决自动驾驶车辆轨迹优化和人工车运动行为描述与预测的问题，包含复杂非线性成分的轨迹优化问题转化为时空速度网络中弧的选择。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的信号交叉口混合车队协同生态驾驶控制方法流程示意图；
图2为本发明实施例中所述的信号交叉口混合车队协同生态驾驶控制系统结构示意图；
图3为本发明实施例中所述的离散时空速度模型示意图。
图中:701、获取单元；702、预测单元；703、划分单元；704、优化单元；705、控制单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种信号交叉口混合车队协同生态驾驶控制方法。
参见图1和图3，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取信号交叉口识别区域的车辆信息，所述车辆信息包括车辆进入识别区域的时刻信息、速度信息、车辆能耗类型信息和车辆控制类型信息；
可以理解的是本发明中的车辆进入识别区域的时刻信息即车辆进入交叉口识别区域的时间点。速度信息指车辆在进入交叉口识别区域时的速度。这个信息可以帮助我们理解车辆在交叉口附近的行驶状态，从而更好地进行车辆控制和调度。车辆能耗类型信息指的是车辆的能源类型，例如电动车辆或者传统油动车辆。由于不同类型的车辆在能源利用上存在差异，因此在协同驾驶过程中需要对其进行不同的优化和控制。车辆控制类型信息包括人工操作车辆和自动驾驶车辆等信息。在车队协同驾驶中，对不同类型的车辆可能采取不同的控制策略，例如自动驾驶车辆可能具有更高的优先级，因为它们可以更准确地遵循预先制定的轨迹。通过获取这些车辆信息，系统能够全面了解交叉口附近的车辆状态，为后续的预测、队列划分和轨迹优化提供了必要的数据基础。这种信息获取能够实现交叉口交通的智能化管理和优化，提高交通效率，减少交通拥堵和能源消耗。
步骤S2、将所述车辆信息发送至到达时刻模块进行预测处理，其中到达时刻模块是对所有的车辆到达交叉口的时刻进行预测的模块，得到车辆到达交叉口的时刻预测信息；
可以理解的是本步骤通过对车辆到达交叉口时刻的预测，系统能够更好地规划交叉口的交通流，从而实现更加高效的交通管理。这有助于减少交通拥堵、提高交通效率，并且为后续的车辆控制和调度提供了准确的时刻信息。本步骤中，步骤S2包括步骤S21和步骤S22。
步骤S21、将所述车辆信息发送至预设的车辆到达交叉口的时刻计算公式进行计算，其中通过每个车辆信息对应的前一个车辆的车辆信息和预设的饱和车头时距确定每个车辆最早进入交叉口的时刻；
可以理解的是本步骤通过计算每个车辆最早进入交叉口的时刻，系统能够更准确地预测交叉口的交通流，并且可以合理安排每辆车的通行顺序，避免交通拥堵和碰撞事故的发生。其中，饱和车头时距指车辆在交通流中行驶时，与前车的最小安全距离。即表示了在给定速度下，车辆之间应该保持的最小间距，以确保在紧急情况下有足够的反应时间和距离来避免碰撞。到达交叉口的时刻计算公式如公式(1)、公式(2)和公式(3)所示：
其中，表示第a辆车辆到达交叉口的的时刻，表示可能的最早进入交叉口时刻，h表示饱和车头时距；表示接近的绿灯开始时刻，表示第a个车辆的前车到达交叉口的时间，表示信号灯第k个循环的绿灯开始时间，表示信号灯第k+1个循环的绿灯开始时间，表示信号灯第k个循环的红灯开始时间。
步骤S22、将每个车辆最早进入交叉口的时刻与每个车辆对应的绿灯开始时刻进行对比，选取两者间最早的时刻作为所述车辆到达交叉口的时刻。
可以理解的是本步骤通过与绿灯开始时刻进行对比，系统可以确保车辆的到达时刻与交通信号灯的状态相匹配，从而避免了车辆在红灯时刻到达交叉口，减少了交通堵塞和交通事故的发生概率，提高了交通流的效率。本发明可以实时监测交通信号灯的状态，获取绿灯开始时刻。然后，系统将计算出的每个车辆最早进入交叉口的时刻与相应的绿灯开始时刻进行对比。如果车辆的最早进入时刻早于绿灯开始时刻，则车辆可以直接通过交叉口；如果车辆的最早进入时刻晚于绿灯开始时刻，则车辆需要等待绿灯变绿后再通过交叉口。这样可以确保车辆在合适的时机到达交叉口，减少了交通拥堵和交通事故的风险。
步骤S3、基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息；
可以理解的是通过基于预测信息进行车辆队列划分，系统可以更好地组织车辆的通行顺序，避免车辆之间的相互阻挡和碰撞，从而提高了交叉口通行效率和交通安全性。本发明可以根据预测的车辆到达时刻信息，结合车辆当前的位置和速度等信息，确定车辆的通行顺序和队列排列。例如，可以根据预测到达时刻的先后顺序将车辆分为不同的队列，或者根据车辆的速度和位置信息进行动态调整队列顺序。最终，系统将为每辆车分配一个队列，以便后续的轨迹优化和车辆控制。本步骤中，步骤S3包括步骤S31。
步骤S31、基于预设的队列划分算法对所述车辆到达交叉口的时刻预测信息和每个车辆对应的车辆信息进行队列划分，其中，将所有与头车在同一绿灯时间段通过交叉口的车辆划分为同一队列，其中，所述头车为绿灯亮起的时刻之后通过交叉口的第一辆车辆。
可以理解的是本步骤通过采用预设的队列划分算法，系统可以更加合理地组织车辆的通行顺序，避免车辆之间的冲突和混乱，从而提高了交叉口的通行效率和安全性。
本发明会监测交叉口的信号灯状态，当绿灯亮起时，系统会将第一辆通过交叉口的车辆定义为头车。然后，系统会根据预测的车辆到达时刻信息，将所有与头车在同一绿灯时间段通过交叉口的车辆划分为同一队列。这样可以确保在每个绿灯时间段内，交叉口的通行顺序是有序的，减少了车辆之间的相互干扰和延误。
步骤S4、将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，得到车辆的控制信息；
可以理解的是本步骤通过轨迹优化，系统可以更好地协调车辆的行驶轨迹，避免交通拥堵和事故发生，提高交叉口通行效率。本步骤中，步骤S4包括步骤S41、步骤S42和步骤S43。
步骤S41、基于所有车辆对应的队列信息和所有的车辆信息构建三维空间网络模型，其中所述三维空间网络模型包括时间维度、空间维度和状态维度，所述三维空间网络模型为包含至少一个网格；
可以理解的是本步骤通过本文基于时空网络建模方式，构建时间维度、空间维度和状态维度的网络模型，使用三维变量分别表示时刻、所处的位置和速度。车辆的运动行为可转化为每个时刻的位置和速度的更新，使得模型能够方便获得车辆的瞬时能耗，这是生态驾驶优化所必须的参数。
步骤S42、基于所述三维空间网络模型构建轨迹优化模型，其中通过最小化整体能耗的计算公式、车辆流平衡约束公式、车辆的辅助变量计算公式、车辆的安全约束计算公式、人工操作的车辆的轨迹预测公式和自动驾驶车辆的决策变量计算公式进行组合，得到轨迹优化模型；
可以理解的是本步骤中的最小化整体能耗的计算公式、车辆流平衡约束公式、车辆的辅助变量计算公式、车辆的安全约束计算公式、人工操作的车辆的轨迹预测公式和自动驾驶车辆的决策变量计算公式如公式(4)、公式(5)、公式(6)、公式(7)、公式(8)和公式(9)所示：
min Z＝∑a∈A∑(i,j,t,s,u,v)∈Eca(i,j,t,s,u,v)·xa(i,j,t,s,u,v) (4)
xa(i,j,t,s,u,v)＝(xa-1(i',j',t,s,u',v'),θa(i,t,u)),
其中，minZ表示最小化的能耗值，ca(i,j,t,s,u,v)表示车辆a在弧(i,j,t,s,u,v)的运动成本，xa(i,j,t,s,u,v)表示车辆a是否选择(i,j,t,s,u,v)，若选择这表示为1，若不选择则表示为0，i,t,u:(i,j,t,s,u,v)∈E表示属于时空状态网络的节点，j表示空间维度，o(a)表示车辆a的起点，s表示时间维的索引，DT(a)表示车辆a到达停车线的时刻，v(0)表示初始速度，d(a)表示T车辆a的终点，T表示时间集合，v(T)表示终点速度，Ac表示自动驾驶车辆集合，otherwise表示其他情形，θa(i,t)表示车辆a是否经过时空节点(i，t)，i表示空间维度索引，t表示时间维度索引，若经过，则取1，A表示车辆集合，u表示状态维度索引，i'表示网络中表示空间维度的任意位置，τ表示网络中表示时间维度的任意时刻，φ(i',τ)表示网络中的由空间和时间两个维度确定的点，xa-1(i',j',t,s,u',v')表示前一辆车a-1,在(t,s)时刻对应的状态，θa(i,t,u)表示车辆a经过时空节点(i,t,u)，Ah表示人工车集合,E表示时空状态弧集合，L表示空间集合。
本步骤中，步骤S42包括步骤S421和步骤S422。
步骤S421、在每个预设的时间步长中，基于预设的规则对三维空间网络模型中每个网格的状态进行更新，其中预设的规则包括加速规则、减速规则、位置更新规则和安全间距规则，将更新后的每个网格的状态作为人工操作的车辆的轨迹变化状态，得到人工操作的车辆的轨迹；
可以理解的是，本发明将交叉口及其周围区域划分为若干个立方体网格，每个网格代表一个离散化的空间单元，构建得到元胞自动机模型。每个网格可以具有自己的坐标系和属性，例如位置、速度限制、安全距离等。通过结合元胞自动机模型刻画人工驾驶车的运动行为构建离散时空速度模型，系统可以更好地表示交叉口周围的空间结构，并对车辆的行驶路径进行规划和优化。本发明通过将空间离散为网格，每个网格被称为一个“元胞”。在每个时间步长中，元胞自动机模型根据事先定义的规则来更新每个元胞的状态，其中本步骤中的加速规则、减速规则、位置更新规则和安全间距规则的公式如公式(10)、公式(11)、公式(12)和公式(13)所示：
va(t+1)＝min(va(t)+pa,vmax,da),da>da,safe (10)
va(t+1)＝min(va(t),da),da≤da,safe (11)
xa(t+1)＝xa(t)+va(t+1) (12)
其中，va(t+1)表示车辆a在t+1时刻的速度，va(t+1)表示车辆a在t时刻的速度，pa表示车辆的加速度，da表示车辆a与前车的距离，da,safe表示车辆a与前车的安全距离，xa(t+1)表示车辆a在t+1时刻的位置，xa(t)表示车辆a在t时刻的位置，τ表示车辆的反应时间，B表示车辆的最大减速度。
步骤S422、基于所述人工操作的车辆的轨迹确定每个人工操作的车辆的跟驰关系，并基于所述人工操作的车辆的轨迹和所述跟驰关系确定人工操作的车辆的轨迹预测公式。
可以理解的是本发明通过建立人工操作车辆的跟驰关系和轨迹预测公式，系统可以更准确地预测人工操作车辆的行驶轨迹，从而更好地规划交通流，并确保交通安全，其中人工操作的车辆的轨迹预测公式如上文中的公式(8)所示。
本步骤中，步骤S42还包括步骤S424、步骤S425、步骤S426和步骤S427。
步骤S424、基于所述三维空间网络模型内的参数信息和预设的加速度计算公式进行三维空间网络模型内的每个车辆的实时速度和实时位置进行计算；
可以理解的是本步骤中的常见的网络仅能直接获取车辆的瞬时位置信息，为了获得时空弧的加速度，需要使用相邻的三个时空节点这将导致时空弧的能耗存在前溯依赖性，即当前时空弧费用与上一时空弧有关。本发明中的当前弧的费用仅与当前弧的节点有关，而不必引入第三个节点，本步骤通过计算加速度后通过每个车辆前一时刻的位置和速度进而计算每个车辆的实时速度和实时位置，其中，本步骤中的加速度计算公式如公式(14)所示：
其中，U(i,j,t,s,u,v)表示时空弧的加速度，u(i,t,u)表示(i,t,u)网络节点的速度，v(j,s,v)表示(j,s,v)网络节点的速度，s表示时空弧的结束时刻，t表示时空弧的起始时刻。
步骤S425、基于每个电动车辆的实时速度、实时位置和预设的电动车辆的能耗计算公式进行能耗计算，得到电动车辆的能耗参数；
可以理解的是本步骤中的电动车辆的能耗计算公式如公式(15)、公式(16)、公式(17)、公式(18)、公式(19)、公式(20)和公式(21)所示：
PW(t)＝(ma(t)+R(t))·v(t) (17)
R(t)＝Ra(t)+Rr(t)+Rg(t) (18)
Rg(t)＝mgsin(θ) (21)
其中，PW(t)表示车轮上功率，Pe表示电动车的能耗模型，v(t)表示t时刻的速度，a(t)表示t时刻的加速度，ηD、ηEM、ηB和λ均表示电动车效率参数，PAuxiliary表示车辆辅助系统的消耗功率，ηrb表示再生制动的能量转化效率，ηrb(t)表示再生制动的能量转化效率，m表示车身质量，R(t)表示对车辆的阻力，Ra(t)表示对车辆的空气阻力，Rr(t)表示滚动阻力，Rg(t)重力阻力，ρ表示空气密度，Cd表示空气阻力系数，Af表示车辆的迎风面积，g表示重力加速度，θ表示道路坡度，cr0、cr1和cr2均表示滚动阻力常数。
步骤S426、基于每个油动车辆的实时速度、实时位置和预设的油动车辆的能耗计算公式进行能耗计算，得到油动车辆的能耗参数；
可以理解的是本步骤中的油动车辆的能耗计算公式如公式(22)和公式(23)所示：
RT(t)＝ma(t)+R(t) (23)
其中，Fg表示燃油车的能耗模型，v(t)表示t时刻的速度，a(t)表示t时刻的加速度，α表示怠速能耗消耗率，RT(t)表示车辆的牵引力，β1和β2为效率常数，R(t)表示对车辆的阻力，m表示车身质量。
步骤S427、将所述电动车辆的能耗参数和油动车辆的能耗参数进行组合，最小化车队的整体能耗为目标，构建得到最小化整体能耗的计算公式。
可以理解的是本步骤通过最小化整体能耗，系统可以更有效地管理车队的能源消耗，减少能源浪费，降低运营成本，并对环境产生更小的影响。其中，最小化整体能耗的计算公式如上文中的公式(4)所示。
步骤S43、将所有的车辆信息发送至三维空间网络模型进行变量确定，并将确定后的变量发送至轨迹优化模型进行轨迹优化，得到车辆运行的轨迹信息，并将所述车辆运行的轨迹信息作为该车辆的对应控制信息。
可以理解的是本步骤通过将车辆信息发送至三维空间网络模型进行变量确定，系统能够更全面地考虑车辆的运行环境和相互关系，以更准确地确定变量。而通过轨迹优化模型进行轨迹优化，系统能够在考虑诸多因素的情况下，生成最优的车辆运行轨迹，从而提高了交叉口的通行效率和安全性。其中，本发明首先将所有车辆的信息发送至三维空间网络模型，该模型考虑了车辆在时间维度、空间维度和状态维度的各种变量。模型将根据接收到的车辆信息确定相关的变量，例如车辆位置、速度、加速度等。然后，确定的变量将被发送至轨迹优化模型，该模型考虑了诸多因素，如整体能耗、车辆流平衡、安全约束等，以进行轨迹优化。优化后，系统将生成每辆车的运行轨迹信息，并将其作为对应车辆的控制信息，用于指导其行驶。
步骤S5、基于所述车辆的控制信息对所有车辆进行控制，直至所有车辆经过信号交叉口。
可以理解的是本发明通过协同生态驾驶轨迹优化自动驾驶车辆本身的能耗，而且将其后续跟驰车辆的能耗也作为目标函数的一部分，通过自动驾驶车间接“控制”人工车，优化整个队列的能耗构成，通过优化自动驾驶车辆的轨迹间接改善了整个队列的运行。将时空速度网络与元胞自动机模型相结合，构建混合时空速度网络模型。进而通过该模型解决自动驾驶车辆轨迹优化和人工车运动行为描述与预测的问题，将复杂非线性成分的轨迹优化问题转化为时空速度网络中弧的选择。
实施例2：
如图2所示，本实施例提供了一种信号交叉口混合车队协同生态驾驶控制系统，参见图2所述系统包括获取单元701、预测单元702、划分单元703、优化单元704和控制单元705。
获取单元701，用于获取信号交叉口识别区域的车辆信息，所述车辆信息包括车辆进入识别区域的时刻信息、速度信息、车辆能耗类型信息和车辆控制类型信息；
预测单元702，用于将所述车辆信息发送至到达时刻模块进行预测处理，其中到达时刻模块是对所有的车辆到达交叉口的时刻进行预测的模块，得到车辆到达交叉口的时刻预测信息；
划分单元703，用于基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息；
优化单元704，用于将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，得到车辆的控制信息；
控制单元705，用于基于所述车辆的控制信息对所有车辆进行控制，直至所有车辆经过信号交叉口。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种信号交叉口混合车队协同生态驾驶控制方法，其特征在于，包括：
获取信号交叉口识别区域的车辆信息，所述车辆信息包括车辆进入识别区域的时刻信息、速度信息、车辆能耗类型信息和车辆控制类型信息；
将所述车辆信息发送至到达时刻模块进行预测处理，其中到达时刻模块是对所有的车辆到达交叉口的时刻进行预测的模块，得到车辆到达交叉口的时刻预测信息；
基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息；
将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，得到车辆的控制信息；
基于所述车辆的控制信息对所有车辆进行控制，直至所有车辆经过信号交叉口；
其中，将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，包括：
基于所有车辆对应的队列信息和所有的车辆信息构建三维空间网络模型，其中所述三维空间网络模型包括时间维度、空间维度和状态维度，所述三维空间网络模型为包含至少一个网格；
基于所述三维空间网络模型构建轨迹优化模型，其中通过最小化整体能耗的计算公式、车辆流平衡约束公式、车辆的辅助变量计算公式、车辆的安全约束计算公式、人工操作的车辆的轨迹预测公式和自动驾驶车辆的决策变量计算公式进行组合，得到轨迹优化模型；
将所有的车辆信息发送至三维空间网络模型进行变量确定，并将确定后的变量发送至轨迹优化模型进行轨迹优化，得到车辆运行的轨迹信息，并将所述车辆运行的轨迹信息作为该车辆的对应控制信息；
其中，最小化整体能耗的计算公式、车辆流平衡约束公式、车辆的辅助变量计算公式、车辆的安全约束计算公式、人工操作的车辆的轨迹预测公式和自动驾驶车辆的决策变量计算公式如公式(4)、公式(5)、公式(6)、公式(7)、公式(8)和公式(9)所示：
minZ＝∑a∈A∑(i,j,t,s,u,v)∈E ca(i,j,t,s,u,v)·xa(i,j,t,s,u,v) (4)
其中，minZ表示最小化的能耗值，ca(i,j,t,s,u,v)表示车辆a在弧(i,j,t,s,u,v)的运动成本，xa(i,j,t,s,u,v)表示车辆a是否选择
(i,j,t,s,u,v)，若选择这表示为1，若不选择则表示为0，
i,t,u:(i,j,t,s,u,v)∈E表示属于时空状态网络的节点，j表示空间维度，o(a)表示车辆a的起点，s表示时间维的索引，DT(a)表示车辆a到达停车线的时刻，v(0)表示初始速度，d(a)表示T车辆a的终点，T表示时间集合，v(T)表示终点速度，Ac表示自动驾驶车辆集合，otherwise表示其他情形，θa(i,t)表示车辆a是否经过时空节点(i，t)，i表示空间维度索引，t表示时间维度索引，若经过，则取1，A表示车辆集合，u表示状态维度索引，i′表示网络中表示空间维度的任意位置，τ表示网络中表示时间维度的任意时刻，φ(i′,τ)表示网络中的由空间和时间两个维度确定的点，xa-1(i′,j′,t,s,u′,v′)表示前一辆车a-1,在(t,s)时刻对应的状态，θa(i,t,u)表示车辆a经过时空节点(i,t,u)，Ah表示人工车集合,E表示时空状态弧集合，L表示空间集合。
2.根据权利要求1所述的信号交叉口混合车队协同生态驾驶控制方法，其特征在于,将所述车辆信息发送至到达时刻模块进行预测处理，包括：
将所述车辆信息发送至预设的车辆到达交叉口的时刻计算公式进行计算，其中通过每个车辆信息对应的前一个车辆的车辆信息和预设的饱和车头时距确定每个车辆最早进入交叉口的时刻；
将每个车辆最早进入交叉口的时刻与每个车辆对应的绿灯开始时刻进行对比，选取两者间最早的时刻作为所述车辆到达交叉口的时刻。
3.根据权利要求1所述的信号交叉口混合车队协同生态驾驶控制方法，其特征在于,基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息，包括：
基于预设的队列划分算法对所述车辆到达交叉口的时刻预测信息和每个车辆对应的车辆信息进行队列划分，其中，将所有与头车在同一绿灯时间段通过交叉口的车辆划分为同一队列，其中，所述头车为绿灯亮起的时刻之后通过交叉口的第一辆车辆。
4.根据权利要求1所述的信号交叉口混合车队协同生态驾驶控制方法，其特征在于,所述人工操作的车辆的轨迹预测公式的构建方式，包括：
在每个预设的时间步长中，基于预设的规则对三维空间网络模型中每个网格的状态进行更新，其中预设的规则包括加速规则、减速规则、位置更新规则和安全间距规则，将更新后的每个网格的状态作为人工操作的车辆的轨迹变化状态，得到人工操作的车辆的轨迹；
基于所述人工操作的车辆的轨迹确定每个人工操作的车辆的跟驰关系，并基于所述人工操作的车辆的轨迹和所述跟驰关系确定人工操作的车辆的轨迹预测公式。
5.一种信号交叉口混合车队协同生态驾驶控制系统，其特征在于，包括：
获取单元，用于获取信号交叉口识别区域的车辆信息，所述车辆信息包括车辆进入识别区域的时刻信息、速度信息、车辆能耗类型信息和车辆控制类型信息；
预测单元，用于将所述车辆信息发送至到达时刻模块进行预测处理，其中到达时刻模块是对所有的车辆到达交叉口的时刻进行预测的模块，得到车辆到达交叉口的时刻预测信息；
划分单元，用于基于所述车辆到达交叉口的时刻预测信息进行车辆队列划分，得到所有车辆对应的队列信息；
优化单元，用于将所有车辆对应的队列信息和所述车辆信息发送至轨迹优化模块进行轨迹优化，得到车辆的控制信息；
控制单元，用于基于所述车辆的控制信息对所有车辆进行控制，直至所有车辆经过信号交叉口；
其中，所述优化单元，包括：
第三处理子单元，用于基于所有车辆对应的队列信息和所有的车辆信息构建三维空间网络模型，其中所述三维空间网络模型包括时间维度、空间维度和状态维度，所述三维空间网络模型为包含至少一个网格；
第四处理子单元，用于基于所述三维空间网络模型构建轨迹优化模型，其中通过最小化整体能耗的计算公式、车辆流平衡约束公式、车辆的辅助变量计算公式、车辆的安全约束计算公式、人工操作的车辆的轨迹预测公式和自动驾驶车辆的决策变量计算公式进行组合，得到轨迹优化模型；
第五处理子单元，用于将所有的车辆信息发送至三维空间网络模型进行变量确定，并将确定后的变量发送至轨迹优化模型进行轨迹优化，得到车辆运行的轨迹信息，并将所述车辆运行的轨迹信息作为该车辆的对应控制信息；
其中，最小化整体能耗的计算公式、车辆流平衡约束公式、车辆的辅助变量计算公式、车辆的安全约束计算公式、人工操作的车辆的轨迹预测公式和自动驾驶车辆的决策变量计算公式如公式(4)、公式(5)、公式(6)、公式(7)、公式(8)和公式(9)所示：
minZ＝∑a∈A∑(i,j,t,s,u,v)∈E ca(i,j,t,s,u,v)·xa(i,j,t,s,u,v) (4)
其中，minZ表示最小化的能耗值，ca(i,j,t,s,u,v)表示车辆a在弧(i,j,t,s,u,v)的运动成本，xa(i,j,t,s,u,v)表示车辆a是否选择
(i,j,t,s,u,v)，若选择这表示为1，若不选择则表示为0，
i,t,u:(i,j,t,s,u,v)∈E表示属于时空状态网络的节点，j表示空间维度，o(a)表示车辆a的起点，s表示时间维的索引，DT(a)表示车辆a到达停车线的时刻，v(0)表示初始速度，d(a)表示T车辆a的终点，T表示时间集合，v(T)表示终点速度，Ac表示自动驾驶车辆集合，otherwise表示其他情形，θa(i,t)表示车辆a是否经过时空节点(i，t)，i表示空间维度索引，t表示时间维度索引，若经过，则取1，A表示车辆集合，u表示状态维度索引，i′表示网络中表示空间维度的任意位置，τ表示网络中表示时间维度的任意时刻，φ(i′,τ)表示网络中的由空间和时间两个维度确定的点，xa-1(i′,j′,t,s,u′,v′)表示前一辆车a-1,在(t,s)时刻对应的状态，θa(i,t,u)表示车辆a经过时空节点(i,t,u)，Ah表示人工车集合,E表示时空状态弧集合，L表示空间集合。
6.根据权利要求5所述的信号交叉口混合车队协同生态驾驶控制系统，其特征在于，所述预测单元，包括：
第一计算子单元，用于将所述车辆信息发送至预设的车辆到达交叉口的时刻计算公式进行计算，其中通过每个车辆信息对应的前一个车辆的车辆信息和预设的饱和车头时距确定每个车辆最早进入交叉口的时刻；
第一处理子单元，用于将每个车辆最早进入交叉口的时刻与每个车辆对应的绿灯开始时刻进行对比，选取两者间最早的时刻作为所述车辆到达交叉口的时刻。
7.根据权利要求5所述的信号交叉口混合车队协同生态驾驶控制系统，其特征在于，所述划分单元，包括：
第二处理子单元，用于基于预设的队列划分算法对所述车辆到达交叉口的时刻预测信息和每个车辆对应的车辆信息进行队列划分，其中，将所有与头车在同一绿灯时间段通过交叉口的车辆划分为同一队列，其中，所述头车为绿灯亮起的时刻之后通过交叉口的第一辆车辆。
8.根据权利要求5所述的信号交叉口混合车队协同生态驾驶控制系统，其特征在于，第四处理子单元，包括：
第六处理子单元，用于在每个预设的时间步长中，基于预设的规则对三维空间网络模型中每个网格的状态进行更新，其中预设的规则包括加速规则、减速规则、位置更新规则和安全间距规则，将更新后的每个网格的状态作为人工操作的车辆的轨迹变化状态，得到人工操作的车辆的轨迹；
第七处理子单元，用于基于所述人工操作的车辆的轨迹确定每个人工操作的车辆的跟驰关系，并基于所述人工操作的车辆的轨迹和所述跟驰关系确定人工操作的车辆的轨迹预测公式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410377085.9A CN118470989B (zh) | 2024-03-29 | 2024-03-29 | 一种信号交叉口混合车队协同生态驾驶控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410377085.9A CN118470989B (zh) | 2024-03-29 | 2024-03-29 | 一种信号交叉口混合车队协同生态驾驶控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118470989A CN118470989A (zh) | 2024-08-09 |
| CN118470989B true CN118470989B (zh) | 2024-11-29 |
Family
ID=92159522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410377085.9A Active CN118470989B (zh) | 2024-03-29 | 2024-03-29 | 一种信号交叉口混合车队协同生态驾驶控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118470989B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496689A (zh) * | 2023-12-29 | 2024-02-02 | 苏州观瑞汽车技术有限公司 | 混行交通环境下连续信号交叉口车队协同控制方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4743523B2 (ja) * | 2006-03-22 | 2011-08-10 | 住友電気工業株式会社 | 交差点における車両挙動の予測システム |
| CN111968377B (zh) * | 2020-08-31 | 2022-07-15 | 姜忠太 | 面向节油和驾驶舒适的基于车辆网的车辆轨迹优化方法 |
| CN114495527B (zh) * | 2022-02-23 | 2023-10-27 | 长安大学 | 一种混合交通环境下网联交叉口车路协同优化方法及系统 |
| CN116092310B (zh) * | 2023-01-28 | 2023-07-18 | 西南交通大学 | 面向混合交通环境的路口协同生态驾驶控制方法及系统 |
| CN116524722B (zh) * | 2023-06-26 | 2023-10-13 | 浙江大学 | 面向混行交通流的车辆生态驾驶控制方法、电子设备 |
-
2024
- 2024-03-29 CN CN202410377085.9A patent/CN118470989B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496689A (zh) * | 2023-12-29 | 2024-02-02 | 苏州观瑞汽车技术有限公司 | 混行交通环境下连续信号交叉口车队协同控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118470989A (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108877256B (zh) | 基于无线通信的交叉口附近分散协同自适应巡航控制方法 | |
| US11960298B2 (en) | Multi-range vehicle speed prediction using vehicle connectivity for enhanced energy efficiency of vehicles | |
| Dong et al. | Predictive energy-efficient driving strategy design of connected electric vehicle among multiple signalized intersections | |
| Amini et al. | Sequential optimization of speed, thermal load, and power split in connected HEVs | |
| Lu et al. | Optimization-based approach for resilient connected and autonomous intersection crossing traffic control under V2X communication | |
| Yang et al. | Electric-vehicle navigation system based on power consumption | |
| CN103236177A (zh) | 车网路多系统融合的智能交互系统及其控制方法 | |
| Seredynski et al. | A survey of cooperative ITS for next generation public transport systems | |
| CN111703418B (zh) | 一种基于车车通信的多车分布式协同避撞方法及装置 | |
| WO2022078067A1 (zh) | 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 | |
| Zhang et al. | CAVSim: A microscopic traffic simulator for evaluation of connected and automated vehicles | |
| Hao et al. | Deeply integrated vehicle dynamic and powertrain operation for efficient plug-in hybrid electric bus | |
| CN112820126A (zh) | 一种非侵入式导向运输车辆路权优先运行控制及仿真方法 | |
| CN112258864B (zh) | 基于顺序选择的自动驾驶车辆路口调度方法及系统 | |
| CN118230583A (zh) | 无信号交叉口车辆通行顺序决策与轨迹优化方法及系统 | |
| WO2023072101A1 (zh) | 一种车辆控制方法、装置及系统 | |
| CN118470989B (zh) | 一种信号交叉口混合车队协同生态驾驶控制方法及系统 | |
| Yang et al. | Electric vehicle charging load forecasting model considering road network-power grid information | |
| Kang et al. | Hierarchical energy management strategy for plug-in HEVs based on historical data and real-time speed scheduling | |
| Huang et al. | A Distributed Urban Traffic Congestion Prevention Mechanism for Mixed Flow of Human-Driven and Autonomous Electric Vehicles. | |
| CN117935532A (zh) | 车辆绿波通行规划方法、装置、电子设备及存储介质 | |
| CN115663867A (zh) | 基于智能充电网络系统的电动汽车充电调度方法 | |
| Chamideh et al. | Evaluation of decentralized algorithms for coordination of autonomous vehicles at intersections | |
| Liu et al. | Integrated longitudinal speed decision-making and energy efficiency control for connected electrified vehicles | |
| Esmaeili et al. | A platoon formation strategy for heterogeneous vehicle types at a signalized intersection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |